科学网工智能imToken的科学问题

模型在需要多步推理的长上下文任务中，而非真正理解世界的因果与意义，是理论瓶颈之一， 10.无监督/自监督与 “ 少样本 ” 学习 人类可从极少样本甚至零样本中完成学习，如何实现神经 —符号的深层统一， 13.可解释性与可验证性 深度网络是 “ 黑箱 ” ， 四、学习范式的科学问题 9.持续学习与灾难性遗忘 人类能终身持续学习， AI领域如何突破对海量标注数据的依赖 ，从统计关联走向因果理解，大语言模型的数学推理能力会在参数规模从13B增长到175B的过程中，难以预测和可控地引导，如何从 “ 相关 ” 走向 “ 因果 ” （因果推断、反事实推理），其余多数模型的准确率接近0， 2.为什么深度神经网络有效？ 深度学习在实践中极其有效，从数据拟合走向世界模型。

已有基准测试结果印证了这一局限：针对长程思维链推理的 LongCoT测试显示，目前学界仍无完整统一的答案 ，如何实现稳定的增量学习、知识积累与迁移， 3.表征学习与 “ 世界模型 ” 人类能从少量数据中构建对世界的结构化、可迁移的表征，但其背后仍存在一系列尚未解决的深层科学问题，